في عالم الذكاء الاصطناعي، تواجه نماذج اللغات الضخمة (Large Language Models) تحديات كبيرة عندما يتعلق الأمر بحل المسائل الرياضية المعقدة. غالباً ما تنجح هذه النماذج في الوصول إلى الإجابات النهائية، لكنها تفشل في فهم المفاهيم الأساسية المطلوبة للمشكلة. المشكلة تكمن في أن أنظمة التعلم المعزز مع مكافآت قابلة للتحقق (Reinforcement Learning with Verifiable Rewards) تعزز فقط الإجابات النهائية، ولكنها لا توفر إشارات مفاهيمية دقيقة، مما يجعل النماذج تحسن قدرتها على إعادة استخدام الأنماط بدلاً من تطبيق المفاهيم بشكل صحيح.

ولهذا السبب، تم إدخال نظام CORE (Concept-Oriented REinforcement) الذي يعد إطاراً تدريبياً يركز على المفاهيم ويحول الأفكار الصريحة إلى إشارة إشراف قابلة للتحكم. يبدأ النظام من موارد تعليمية ذات جودة عالية تحتوي على تمارين قابلة للتحقق، ويربطها بوصف مفهومي مختصر، مما يسمح بإجراء تجربة لضمان الفهم.

بعد إجراء تجارب متنوعة، توضح النتائج أن نماذج اللغات الضخمة تستطيع إعادة صياغة التعريفات لكنها تفشل في اختبارات المفاهيم، مما يسلط الضوء على الفجوة في التفكير المفاهيمي. يقوم نظام CORE بتوليد اختبارات متوافقة مع المفاهيم، ويضيف مقاطع تعريفية قصيرة أثناء عمليات التعليم لتعزيز تقدير المفهوم في المراحل المتقدمة.

علاوة على ذلك، يعزز التفكير المفاهيمي من خلال استبدال المسارات بعد الفشل الجماعي، حيث يُطبق قيود خفيفة تتماشى مع سياسات التعليم المفهومي. تم إثبات فعالية نظام CORE عبر مجموعة من النماذج المختلفة، حيث يقدم تحسينات ثابتة مقارنة بالأساليب التقليدية في مجموعات اختبارات المفاهيم.

باختصار، يجمع نظام CORE بين التدريب المباشر على اختبارات المفاهيم وعمليات التعليم المدعومة بمفاهيم ضمن تنظيم النتائج. إنه يوفر إشرافاً مفاهيمياً دقيقاً مما يمد الجسور بين القدرة على حل المشكلات والتفكير المفهومي الحقيقي، بينما يبقى غير مرتبط بخوارزميات معينة أو أدوات تحقق.